A környezeti tényez k hatása a normali zált vegetációs index mérésére

Dobos A. et al.:Layout 1 11/13/12 10:02 AM Page 1

AGRÁRTUDOMÁNYI KÖZLEMÉNYEK, 2012/49.

A környezeti tényezk hatása a normalizált vegetációs index mérésére Dobos Attila – Vig Róbert – Nagy János Debreceni Egyetem Agrár- és Gazdálkodástudományok Centruma, Mezgazdaság-, Élelmiszertudományi és Környezetgazdálkodási Kar, Földhasznosítási, Mszaki és Területfejlesztési Intézet, Debrecen [email protected]

ÖSSZEFOGLALÁS times. The weather parameters were measured by a weather station located in the middle of the alfalfa population and the correlations between the meteorological data and the NDVI values were examined. During the statistical evaluation of the results, it was established that the NDVI measurement is primarily influenced by the relative humidity of the air, secondly by air temperature and thirdly by wind speed. Relative humidity was in strong correlation with the NDVI values which were also influenced by the measurement height and time. Regression was not significant in the case of 20 cm measurement height, but the measurements above 40 cm height showed significant correlations. The correlation was shown to be strong at each measurement time, but the influence of humidity was the lowest at 11:00 and 14:00.

Nem destruktív, optikai mérmszerek alkalmazásával lehetvé válik a növényállomány nitrogénellátottságának gyors mérése, valamint a nitrogénhiány területileg differenciált meghatározása és pótlása. A nitrogénellátottság megállapítása azon alapszik, hogy a növények klorofilltartalma szoros összefüggésben áll a nitrogéntartalommal, valamint a klorofill mennyisége jól mérhet a klorofill molekulák fényelnyelése alapján. Az optikai mérések eredményességét az idjárási paraméterek változása befolyásolhatja, ezért a gyakorlati alkalmazásban fontos ismernünk a mérési eredmények és az idjárási paraméterek közötti összefüggéseket. A vizsgálataink során alkalmazott GreenSeeker Model 505 mérkészülék a relatív klorofilltartalmat a növényállományról visszaverdött vörös és infravörös fénysugarak intenzitása alapján kalkulált normalizált vegetációs index (NDVI) formájában határozza meg. A méréseket lucernaállományban végeztük 10 ismétlésben, ötféle mérési magasságban és négyféle mérési idpontban. Az idjárási paramétereket a lucernaállomány közepén elhelyezett meteorológiai állomással mértük, majd megvizsgáltuk a meteorológiai adatok és az NDVI értékek közötti összefüggéseket. Az eredmények statisztikai értékelése során megállapítottuk, hogy az NDVI mérés eredményét elssorban a leveg relatív páratartalma, másodsorban a leveg hmérséklete, harmadsorban pedig a szélsebesség befolyásolta. A relatív páratartalommal az NDVI érték ers összefüggést mutatott, amit a mérési magasság és a mérés idpontja is befolyásolt. A regresszió nem bizonyult szignifikánsnak 20 centiméteres mérési magasság alkalmazása mellett, míg a 40 cm feletti mérési magasságokban szignifikáns összefüggéseket kaptunk. Az összefüggés minden vizsgált idpontban ersnek bizonyult, viszont a páratartalom mérést befolyásoló hatása a 11:00 és 14:00 órás mérések esetében érvényesült a legkevésbé.

Keywords: alfalfa, NDVI, GreenSeeker, weather

BEVEZETÉS ÉS IRODALMI ÁTTEKINTÉS A növények nitrogénigényének kielégítése történhet a vegetációs periódusban a növények aktuális nitrogénigénye alapján (Fox et al., 1986; Lemaire et al., 2008), melynek meghatározása történhet destruktív laborvizsgálatokkal, valamint nem destruktív, optikai mérésekkel (Justes et al., 1997; Feibo et al., 1998). A nem destruktív, optikai mérési módszerek elnye a laborvizsgálatokkal szemben, hogy kevésbé költségesek, gyorsak és kisebb a munkaigényük, ezért a gyakorlatban célszer optikai mérési módszereket alkalmazni (Blackmer és Schepers, 1994; Chapman és Barreto, 1997; Justes et al., 1997). Az optikai mérési módszerek azon alapulnak, hogy a klorofill molekulák a fényt a látható vörös tartományban elnyelik, míg az infravörös tartományban átengedik (Brown, 1969; Murata és Sato, 1978; Yadava, 1986), így az infravörös és a vörös fényintenzitások arányosításával képzett indexek szoros összefüggésben állnak a klorofilltartalommal (Roderick et al., 1996; Zhang et al., 2009). A klorofill mennyisége szoros pozitív összefüggésben áll a levelek nitrogéntartalmával (Evans, 1983, 1989; Houlès et al., 2007), így a klorofill molekulák által elnyelt vörös fénysugarak intenzitása alapján kalkulált indexekbl következtethetünk a növények nitrogénellátottságára is (Iida et al., 2000; Freeman et al., 2007; Wright et al., 2007). Az egyik leggyakrabban alkalmazott index a normalizált vegetációs index (NDVI – Normalized Difference Vegetation Index), amit az alábbi képlet szerint határoznak meg: NDVI = (NIR – RED)/(NIR + RED), ahol NIR = az infravörös fény intenzitása és RED = a vörös fény intenzitása (Rouse et al., 1973). Az NDVI meghatározása történhet mholdképek spektrális elemzésével, mely elssorban regionális szint elemzéseket tesz lehetvé (Wang és Tenhunen, 2004; Knight et al., 2006, Ren et al., 2008), valamint szabadföldi, optikai

Kulcsszavak: lucerna, NDVI, GreenSeeker, idjárás SUMMARY The level of nitrogen supply of a plant population can be quickly measured with non-destructive optical measurement devices and the differentiated determination of nitrogen shortage and the replenishment of nitrogen can also be carried out. The level of nitrogen supply is based on the fact that the chlorophyll content of crops is in close correlation with nitrogen content and that the amount of chlorophyll can be easily measured on the basis of the light absorption of chlorophyll molecules. The successfulness of optical measurements can be influenced by the change of weather parameters; therefore, it is important to know the correlations between measurement results and weather parameters when it comes to practical use. The GreenSeeker Model 505 measurement device determines the relative chlorophyll content in the form of the Normalized Difference Vegetation Index (NDVI) calculated on the basis of the intensity of the reflected red and infrared rays of light from the crop population. The measurements were performed in alfalfa population with 10 replications at five measurement heights and four measurement

141



mérmszerek alkalmazásával, ami táblaszint értékelésekre ad lehetséget (Hancock és Dougherty, 2007; Rambo et al., 2010). A normalizált vegetációs index szoros pozitív összefüggésben áll a növényállomány fejldésével (Aparicio, 2000; Nambuthiri, 2010) klorofilltartalmával (Roderick et al., 1996; Cui et al., 2009), nitrogéntartalmával (Iida et al., 2000; Wei et al., 2010), biomassza-produkciójával (Hong et al., 2007; Hancock és Dougherty, 2007) és a termés mennyiségével (Teal et al., 2006; Chung et al., 2008), így az NDVI mérés számos gyakorlati alkalmazást tesz lehetvé. A normalizált vegetációs index idben és térben történ meghatározásával lehetvé válik a növényállomány fejldésének monitoringja (Viña et al., 2004; Martin et al., 2007), a növényállomány egészségi állapotának és nitrogénellátottságának térképezése (Boegh et al., 2002; Nambuthiri, 2010), a nitrogénhiány területi alapú meghatározása és differenciált pótlása (Singh et al., 2006), valamint a várható termés becslése (Teal et al., 2006). A mérési eredményeket befolyásolhatja a növényborítottság mértéke, mely a talaj kisebb vagy nagyobb mérték reflektanciájából adódik (Aparicio et al., 2002), ezért fontosnak tartjuk a mérési módszerek kapás és zárt kultúrákban történ vizsgálatát. Kutatásaink elsdleges célja annak megállapítása, hogy zárt lombozatú növénykultúrákban milyen mérési módszerrel határozható meg a legpontosabban az NDVI és a nitrogénellátottság közötti összefüggés. Korábbi publikációnkban az NDVI, a mérési magasság és a mérés idpontja közötti összefüggéseket ismertettük (Vig et al., 2011), míg jelen tanulmányunkban az idjárási paraméterek NDVI mérést befolyásoló hatását értékeljük.

A vizsgálat helyszíne (Debrecen) a 9/a klímakörzet észak-keleti részén helyezkedik el (Ángyán, 1985). A vizsgálat évében (2010) a tavaszi-nyári félév átlaghmérséklete a klímakörzetet jellemz értékhez hasonlóan alakult (17,8 oC). A július átlaghmérséklete 0,8 oC-kal, az április átlaghmérséklete 0,9 oC-kal volt magasabb, mint a 80 éves átlag. Az éves csapadék (2009. 10. 01.– 2010. 09. 30) 70 százalékkal (377 mm), az szi-téli félév (2009. 10. 01.–1010. 03. 31.) csapadéka 44 százalékkal (100 mm), a tavaszi-nyári félév (2010. 04. 01.– 2010. 09. 30.) csapadéka 88 százalékkal (277 mm), a nyár legmelegebb hónapjának csapadéka 43 százalékkal (29 mm) haladta meg a klímakörzetet jellemz átlagos értékeket. A mérési eredmények értékelését SPSS for Windows 14.0 statisztikai programcsomaggal végeztük. Az NDVI érték, az NDVI mérésekben jelentkez átlagos differencia (MD%) és a mérési eredményekben jelentkez variabilitás (CV%) idjárási paraméterekkel való összefüggését lineáris, négyzetes, harmadfokú exponenciális és logaritmikus regresszió-analízissel értékeltük 0,1%, 1,0% és 5,0% szignifikancia szinten, melyek közül csak a legszorosabb összefüggést igazoló regressziós egyenleteket publikáljuk. A mérési eredményekben jelentkez átlagos differenciát százalékos értékben határoztuk meg az alábbi képlet alapján: MD% = [(Mx-My)/(My/100)], ahol MD% = átlagos differencia, Mx = az x mérési magasságban mért eredmények átlaga, My = az y mérési magasságban mért eredmények átlaga, valamint Mx>My. A mérési eredményekben jelentkez variabilitást a variációs koefficienssel jellemeztük, vagyis a szórást az átlagérték százalékában fejeztük ki: CV% = Sd/(M/100), ahol CV% = variációs koefficiens, Sd = szórás, M = átlag (Senders, 1958).

ANYAG ÉS MÓDSZER

KÍSÉRLETI EREDMÉNYEK

Vizsgálatainkat a Debreceni Egyetem Kertészeti Intézetének bemutatókertjében, csernozjom talajon végeztük. A mérés helyszínéül egy 729,8 m2 terület (17,8 m41,0 m) lucernaállományt választottunk, melyben Trimble GPS Pathfinder ProXH és ArcPad 7.0 szoftver alkalmazásával 10 mérési pontot határoztunk meg. A lucernaállományon belül a tábla két oldalán, a táblaszéltl 2, egymástól 7 méterre 5–5 mérési pontot jelöltünk ki 1,2 méteres bambuszkarókkal. A vegetációs periódusban 2010. 05. 27. és 2010. 09. 21. között 6 alkalommal, alkalmanként 4 idpontban (08:00 óra, 11:00 óra, 14:00 óra és 17:00 óra) NDVI-méréseket végeztünk GreenSeeker Model 505 készülékkel. A méréseket minden esetben az elre kijelölt mérési pontokon végeztük a növényállomány felett 20, 40, 60, 80 és 100 centiméteres magasságban. Az idjárási paraméterek mérésére a lucernaállomány közepén meteorológiai állomást helyeztünk ki, melynek tartozékai: CR 1000 adatgyjt és memória (Campbell Scientific Ltd., UK), 52202 csapadékmér (R. M. Young Co., USA), CS215 hmérséklet- és páratartalommér (Campbell Scientific Ltd., UK), 05103-5 szélsebesség- és széliránymér (R. M. Young Co., USA), CMP3 sugárzásmér (Kipp & Zonen Inc., USA), LWS levélnedvességmér (Decagon Devices Inc., USA), CS616 talajnedvességmér (Campbell Scientific Ltd., UK), Model 107 talajhmérsékletmér (Campbell Scientific Ltd., UK).

A vizsgálat során a különböz mérési pontokon meghatározott napi átlagos NDVI értékek és a napi átlagos idjárási paraméterek közötti összefüggések értékelése során, megállapítottuk, hogy a napi átlagos NDVI szoros pozitív összefüggésben áll a napi átlagos páratartalommal. Az összefüggést p<0,01 szinten szignifikáns, harmadfokú regressziós egyenlettel tudtuk a legpontosabban meghatározni, mely a napi átlagos NDVI és a napi átlagos páratartalom között 96,5 százalékos összefüggést mutatott. Az összefüggés ers, ezért a páratartalom függvényében az NDVI mérés eredménye jelentsen eltérhet a valós értékektl. A többi vizsgált idjárási paraméter (napi átlagos hmérséklet, napi összes globális napsugárzás, napi átlagos szélsebesség, evapotranspiráció) a napi átlagos NDVI értéket nem befolyásolta (1. táblázat). A különböz mérési idpontokban (08:00 óra, 11:00 óra, 14:00 óra, 17:00 óra) meghatározott NDVI értékekhez hozzárendeltük az adott idpontban mért idjárási paraméterek értékét, majd regresszió-analízissel meghatároztuk az összefüggések ersségét és jellegét. Az aktuális (az NDVI mérés idpontjában mért) globális napsugárzás és a normalizált vegetációs index között nem jelentkezett szignifikáns különbség (1. táblázat), mely igazolja a GreenSekker Model 505 készülék fejlesztinek azon állítását, miszerint a fényviszo142



nyok nem befolyásolják a mérés eredményességét (NTech Industries Inc., 2007). Az aktuális páratartalom, az aktuális hmérséklet és az aktuális szélsebesség közepeserss összefüggést mutatott az NDVI mérés eredményeivel. Az aktuális páratartalom és az aktuális hmérséklet a normalizált vegetációs indexszel p<0,001 szinten szignifikáns, szoros összefüggést adott. Az NDVI és az aktuális páratartalom közötti 58,0 százalékos, har-

madfokú, míg az aktuális hmérséklet és a normalizált vegetációs index között 53,3 százalékos négyzetes regressziót igazoltunk. Az aktuális szélsebesség és az NDVI érték között p<0,05 szinten szignifikáns, harmadfokú összefüggés jelentkezett, mely szerint a szélsebesség 43,5 százalékban befolyásolta a mérés eredményességét (1. táblázat). 1. táblázat

Az NDVI és az idjárási paraméterek közötti összefüggések értékelése

Idjárási paraméterek(1) R2(2) R(3) F(4) Regressziós egyenlet(5) A napi átlagos NDVI és az idjárási paraméterek napi átlagos értéke közötti összefüggések(16) NAP(6) 0,956 0,978 32,9** y = 0,091 + 0,015x - 9*10-7x3 n NÁH(7) 0,344 0,587 0,787 NÖGN(8) 0,168 0,410 0,304n NÁSZ(9) 0,073 0,270 0,052n 0,257 0,507 0,230n EPTP(10) EPTSZ(11) 0,164 0,405 0,130n A különböz mérési idpontokban meghatározott NDVI és az adott idpontban mért idjárási paraméterek közötti összefüggések(17) P(12) 0,580 0,762 13,1*** y = 0,806 + 5,46*10-5x2-6,10*10-7x3 H(13) 0,533 0,730 10,8*** y = 0,588 + 0,024x - 4,8*10-4x2 GS(14) 0,077 0,277 0,5n SZ(15) 0,435 0,660 4,6* y = 0,734 + 0,351x - 0,278x2 + 0,068x3 n = nincs szignifikáns összefüggés, *p < 0,05, **p < 0,01, ***p < 0,001, R2 = determinációs együttható, R = korrelációs koefficiens, F = Fpróbastatisztika, NAP = Napi átlagos páratartalom (%), NÁH = Napi átlagos hmérséklet (oC), NÖGN = Napi összes globális napsugárzás (KJ/m2), NÁSZ = Napi átlagos szélsebesség (m/s), EPTP = Evapotranspiráció (mm/nap) a Penman képlettel számolva, EPTSZ = Evapotranspiráció (mm/nap) a Szász-féle képlettel számolva, P = Az NDVI mérés idpontjában mért páratartalom (%), H = Az NDVI mérés idpontjában mért hmérséklet (oC), GS = Az NDVI mérés idpontjában mért globálsugárzás (KJ/m2), SZ = Az NDVI mérési idpontjában mért szélsebesség (m/s) Table 1: Evaluation of the correlations between NDVI and weather parameters Weather parameters(1), R2 = Coefficient of determination(2), R = Coefficient of correlation (3), F = F-test statistics(4), Regression equation(5), NAP = Daily mean humidity (%)(6), NÁH = daily mean temperature (oC)(7), NÖGN = Daily total global solar radiation (KJ m2-1)(8), NÁSZ = Daily mean wind speed (m s-1)(9), EPTP = Evapotranspiration (mm day-1) calculated with Penman’s formula(10), EPTSZ = Evapotranspiration (mm day-1) calculated with Szász’s formula(11), P = Humidity measured at the time of the NDVI measurement (%)(12), H = Temperature measured at the time of the NDVI measurement (oC), GS = Global radiation measured at the time of the NDVI measurement (KJ m2-1)(14), SZ = Wind speed measured at the time of the NDVI measurement (m s-1)(15), Correlations between the daily mean NDVI values and the weather parameters (16), Correlations between NDVI values determined at different times and the respective weather parameters(17), n = No significant correlation, *p < 0.05, **p < 0.01, ***p < 0.001.

Ellentmondást találtunk abban, hogy az NDVI mérést az aktuális páratartalom 58,0 százalékban, az aktuális hmérséklet 53,3 százalékban, a szélsebesség pedig 43,5 százalékban befolyásolta. Hipotézisünk szerint az összefüggések között átfedés jelentkezik, abból adódóan, hogy a vizsgálat idjárási paraméterek nem függetlenek egymástól. Ennek igazolására egytényezs varianciaanalízissel meghatároztuk, hogy a különböz idjárási paraméterek milyen eltérést mutatnak a különböz mérési idpontokban, valamint fkomponens analízissel megállapítottuk az idjárási paraméterek közötti összefüggéseket. A páratartalom, a hmérséklet és a szélsebesség esetében is p<0,001 szinten szignifikáns különbségek jelentkeztek a négyféle mérési idpontban meghatározott értékek között. A páratartalom 08:00 órától 14:00 óráig csökkent, majd kis mértékben növekedett, míg a hmérséklet és a szélsebesség fordítottan arányosan változott, vagyis 08:00 órától 14:00 óráig növekedett, majd ezt követen csökkent. A szignifikánsan legnagyobb páratartalmat 08:00 órakor, a szignifikánsan legkisebb páratartalmat pedig 14:00 órakor mértük. A

11:00 órakor és a 17:00 órakor rögzített értékek statisztikailag igazolható mértékben nagyobbak voltak, mint a 14:00 órás mérés eredménye, valamint szignifikánsan alacsonyabbak voltak, mint a 08:00 órás idpontban meghatározott érték. A 17:00 órakor és a 14:00 órakor mért léghmérséklet között nem adódott statisztikai értelemben vett különbség, valamint a 08:00 és a 11:00 idpontban végzett mérések szignifikánsan alacsonyabbak voltak mint a 14:00 és 17:00 órás értékek. A különböz idpontokban mért szélsebességben jelentkez szignifikáns különbségek az alábbi sorrenden alakultak: 14:00>11:00>08:00>17:00 (2. táblázat). A páratartalom, a léghmérséklet és a szélsebesség közötti összefüggéseket fkomponens analízissel vizsgálva egy fkomponenst határoztunk meg, mely alapján a fkomponensek eljeleit figyelembe véve megállapítottuk, hogy a páratartalom negatív összefüggést mutatott a hmérséklettel és a szélsebességgel. A fkomponens súlyok igazolták, hogy a páratartalom a szélsebességgel és a hmérséklettel szoros összefüggésben állt (2. táblázat). 143



2. táblázat Az idjárási paraméterek különböz idpontokban mért értékei közötti különbségek, valamint az idjárási paraméterek közötti összefüggések értékelése

A mérések idpontja (óra)(1) 08:00 11:00 14:00 17:00 F(5) I. fkomponens(6)

A leveg relatív páratartalma (%)(2) Mért értékek (7) 70,6 ± 11,5 a 54,8 ± 2,5 b 48,4 ± 4,6 d 50,5 ± 6,8 c 539,2*** Fkomponens súlyok(8) -0,899

Léghmérséklet (oC)(3)

Szélsebesség (m/s)(4)

21,7 ± 5,0 c 25,9 ± 4,2 b 28,1 ± 4,7 a 27,5 ± 4,3 a 112,6***

0,87 ± 0,43 d 1,45 ± 0,46 b 1,52 ± 0,36 a 1,08 ± 0,36 c 159,9***

0,849

0,663

***p<0,001, F = F-próbastatisztika Table 2: Evaluation of the differences between the weather parameters measured at different times and the correlation between weather parameters Measurement time (hour)(1), Relative humidity (%)(2), Air temperature (oC)(3), Wind speed (m s-1)(4), F = F-test statistics(5), 1st main component(6), Measured values(7), Main component weights(8), ***p<0.001, F = F-test statistics.

Az NDVI és az idjárási paraméterek (páratartalom, hmérséklet, szélsebesség) közötti összefüggések regresszió-analízissel történ, valamint a páratartalom, léghmérséklet és szélsebesség közötti összefüggések fkomponens analízissel történ értékelése során arra a következtetésre jutottunk, hogy az NDVI mérést a páratartalom a hmérséklet és a szélsebesség is befolyásolja (1. és 2. táblázat). Fkomponens analízissel igazoltuk, hogy a páratartalom a hmérséklettel és a szélsebességgel negatív összefüggésben áll (2. táblázat), amibl következik, hogy a léghmérséklet és a szélsebesség a leveg relatív páratartalmán keresztül befolyásolja az NDVI mérés eredményét. Az NDVI és a vizsgált idjárási paraméterek közötti regresszió értékelése során kapott korrelációs koefficiensek alapján kijelenthet, hogy az NDVI értéket elssorban a leveg relatív páratartalma (R=762), másodsorban a léghmérséklet (R=0,730), harmadsorban pedig a szélsebesség (R=0,660) befolyásolta (1. táblázat). Az NDVI mérés és a páratartalom közötti összefüggéseket vizsgáltuk a különböz mérési magasságok és mérési idpontok függvényében is, ugyanis korábbi vizsgálatainkban megállapítottuk, hogy az NDVI érték az alkalmazott mérési magasság és mérési id függvényében szignifikánsan eltér (Vig et al., 2011). A különböz mérési magasságokban és mérési idpontokban meghatározott NDVI értékek és a leveg relatív páratartalma közötti összefüggéseket lineáris, négyzetes, harmadfokú, exponenciális és logaritmikus regresszió-analízissel vizsgálva megállapítottuk, hogy a legszorosabb összefüggéseket a másod és harmadfokú regressziós egyenletek írták le. A 20 centiméteres mérési magasságban az NDVI és a páratartalom között nem jelentkezett szignifikáns regresszió, míg a 40, 60, 80 és 100 centiméteres mérési magasságok alkalmazása mellet az NDVI és a páratartalom között p<0,01 és p<0,001 szinten szignifikáns összefüggéseket igazoltunk. A páratartalom a mérési magasságtól függen ersnek bizonyult (R=0,819–0,873) és 67,0–76,3 százalékban (R2=0,670– 0,763) befolyásolta az NDVI mérést. A különböz mérési idpontokra minden esetben szignifikáns (p<0,01 és p<0,001) és ers (R=0,828– 0,986) összefüggéseket igazoltunk. A páratartalom NDVI mérést befolyásoló ha-

tása a 08:00 órás mérés alkalmazása mellet volt a legersebb (R2=0,972) és a 14:00 órakor végzett mérések esetében a leggyengébb (R2= 0,686) (3. táblázat). Egy korábbi publikációnkban megállapítottuk, hogy a különböz mérési magasságokban meghatározott NDVI értékek közötti átlagos differencia (MD%) a különböz mérési idpontokban eltér, valamint a mérési eredményekben jelentkez variabilitás (CV%) függ az alkalmazott mérési magasságtól (Vig et al., 2010). Jelen tanulmányunkban igazoljuk, hogy a vizsgált paraméterekben bekövetkez változás a leveg relatív páratartalmával van összefüggésben. A különböz mérési magasságokban mért NDVI értékek közötti átlagos differencia (MD20–100), valamint a különböz mérési magasságokban mért értékek variabilitása (CV20–100%) és a páratartalom közötti összefüggéseket másodfokú, harmadfokú, exponenciális és logaritmikus regresszió-analízissel értékelve megállapítottuk, hogy az összefüggéseket másodfokú és harmadfokú regressziós egyenletekkel lehet a legpontosabban leírni. Az átlagos differencia és a páratartalom között p<0,001 szinten szignifikáns, ers összefüggést határoztunk meg, melyben a leveg relatív páratartalma 68,1 százalékban befolyásolta a különböz mérési magasságokban meghatározott NDVI értékek közötti átlagos eltérést. A 20 centiméteren és a 40 centiméteren végzett mérések eredményeiben jelentkez variabilitás (CV20%, CV40%) és a páratartalom között nem jelentkezett statisztikailag igazolható összefüggés, míg a többi mérési magasságra számolt variációs koefficiensre (CV60%, CV80%, CV100%) vonatkozóan közepes ersség összefüggéseket igazoltunk. A 60 és a 80 centiméteres mérési magasságokban meghatározott összefüggések p<0,05 szinten szignifikánsnak bizonyultak, a regressziós koefficiens pedig megközelítette a 0,6 értéket, míg a 100 centiméteren végzett mérések esetében p<0,01 szinten szignifikáns és 0,6 feletti korrelációs koefficienssel jellemezhet összefüggést írtunk le. A determinációs együttható alapján a 60 és 80 centiméteres mérési magasságban 35,4 és 35,3 százalékban, míg a 100 centiméteres mérési magasságban 38,8 százalékban befolyásolta a páratartalom az NDVI értékek variabilitását (4. táblázat). 144



3. táblázat A leveg relatív páratartalma és az NDVI érték közötti összefüggések a különböz mérési magasságokban és mérési idpontokban

Mérési magasság (cm)(1) 20 40 60 80 100 Mérés idpontja (óra)(6) 08:00 11:00 14:00 17:00

R2(2) 0,065 0,755 0,763 0,734 0,670 R2(2) 0,972 0,744 0,686 0,850

R(3) 0,255 0,869 0,873 0,857 0,819 R(3) 0,986 0,863 0,828 0,922

F(4) 0,7n 29,2*** 30,5*** 26,3*** 8,4** F(4) 52,8*** 29,8*** 10,3** 46,7***

Regressziós egyenlet(5) y = 0,738 - 0,003x - 3,4*10-7x3 y = 0,792 + 6,2*10-5x2 - 7,0*10-7x3 y = 0,779 + 7,4 *10-5x2 - 8,3*10-7x3 y = 0,783 + 6,9*10-5x2 - 7,7*10-7x3 Regressziós egyenlet(5) y = 0,590 - 1,5*10-6x3 y = -3,735 + 0,168x - 0,002x2 y = -0,770 + 0,66x - 0,001x2 y = 0,168 + 0,027x - 2,0*10-4x2

n = nincs szignifikáns összefüggés, **p<0,01, ***p<0,001, R2 = determinációs együttható, R = korrelációs koefficiens, F = F-próbastatisztika Table 3: Correlations between the relative humidity and the NDVI values at different measurement heights and times Measurement height (cm)(1), R2 = coefficient of determination(2), R = correlation of coefficient(3), F = F-test statistics(4), Regression equation(5), Measurement time (hour)(6), n = No significant correlation, **p<0.01, ***p<0.001, R2 = coefficient of determination, R = correlation of coefficient, F = F-test statistics 4. táblázat A különböz mérési magasságokban meghatározott NDVI értékek közötti átlagos differencia (MD20–100), valamint a különböz mérési magasságokban mért értékek variabilitása (CV20–100%) és a leveg relatív páratartalma közötti összefüggések

Vizsgált paraméterek(1) MD20-100(6) CV20%(7) CV40%(8) CV60%(9) CV80%(10) CV100%(11)

R2(2) 0,681 0,087 0,232 0,354 0,353 0,388

R(3) 0,825 0,295 0,482 0,595 0,594 0,623

F(4) 20,3*** 0,905n 2,9n 5,2* 5,2* 6,0**

Regressziós egyenlet(5) y = 5,376 -0,003x2 - 4,06*10-5x3 y = 3,478 - 0,002x2 + 1,59*10-5x3 y = 4,407 - 0,075x + 7,29*10-6x3 y = 8,574 - 0,221x + 0,002x2

n = nincs szignifikáns összefüggés, *p<0,05, **p<0,01, ***p<0,001, R2 = determinációs együttható, R = korrelációs koefficiens, F = F-próbastatisztika, MD20–100 = a különböz mérési magasságokban meghatározott NDVI értékek közötti átlagos differencia, CV20% = a 20 centiméteres magasságban mért NDVI értékek variabilitása, CV40% = a 40 centiméteres magasságban mért NDVI értékek variabilitása, CV60% = a 60 centiméteres magasságban mért NDVI értékek variabilitása, CV80% = a 80 centiméteres magasságban mért NDVI értékek variabilitása, CV100% = a 100 centiméteres magasságban mért NDVI értékek variabilitása Table 4: Correlations between the mean difference (MD20–100) and variability (CV20–100%) and the relative humidity Examined parameters(1), R2 = Coefficient of determination(2), R = Coefficient of correlation(3), F = F-test statistics(4), Regression equation(5), MD20–100 = Mean difference between the NDVI values measured at different heights(6), CV20% = Variability of NDVI values measured at 20 cm(7), CV40% = Variability of NDVI values measured at 40 cm(8), CV60% = Variability of NDVI values measured at 60 cm(9), CV80% = Variability of NDVI values measured at 80 cm(10), CV100% = Variability of NDVI values measured at 100 cm(11), n = No significant correlation, *p < 0.05, **p < 0.01, ***p < 0.001.

KÖVETKEZTETÉSEK

08:00 és 17:00 órás mérések esetében volt a legersebb, míg a 11:00 és 14:00 órakor végzett mérések során a leggyengébb. Ebbl adódóan, a mérési magasság növelésével, valamint a reggeli és a kés délutáni idpontokban történ méréssel a páratartalom mérést torzító hatása erteljesebb. Korábbi vizsgálatainkban igazoltuk, hogy a mérési magasság növelésével a mérési eredmények variabilitása csökken (Vig et al., 2011), viszont a páratartalom variabilitásra gyakorolt hatása a mérési magasság növekedésével növekszik. Az NDVI érték alapján történ nitrogénellátottság pontosabb maghatározása érdekében, szükségesnek tartjuk a páratartalom, az NDVI érték és a levelek nitrogéntartalma közötti összefüggések vizsgálatát, melylyel célunk az NDVI alapján történ nitrogénhiány

A vizsgálati eredmények alapján arra a következtetésre jutottunk, hogy a szabadföldi NDVI mérés eredményeit elssorban a leveg relatív páratartalma befolyásolja. Másod és harmadsorban az NDVI mérés eredményeire hatással van a léghmérséklet és a szélsebesség is, ugyanis a hmérséklet és a szélsebesség negatív összefüggésben áll a páratartalommal. A páratartalom NDVI mérésre gyakorolt hatása függ az alkalmazott mérési magasságtól és a mérés idpontjától. A 20 centiméteres mérési magasság alkalmazása mellett a páratartalom NDVI mérésre gyakorolt hatása nem érvényesül, míg 40 cm feletti mérési magasságokat alkalmazva a páratartalom mérést torzító hatása ers. A páratartalom és az NDVI érték közötti összefüggés a 145



pontosabb meghatározásához szükséges korrekciós tényezk megállapítása.

OM-00210/2008, a MTA-DE Földmvelési és Területfejlesztési Kutatócsoport és a TÁMOP 4.2.2./B-10/12010-0024 számú projektek támogatták. A projekt az Európai Unió támogatásával, az Európai Regionális Fejlesztési Alap és az Európai Szociális Alap társfinanszírozásával valósult meg.

KÖSZÖNETNYILVÁNÍTÁS A publikáció elkészítését az FP7-REGPOT-2010-1 UD_AGR_REPO, a Kutatási és Technológiai Alap

IRODALOM Aparicio, N.–Villegas, D.–Casadesus, J.–Araus, J. L.–Royo, C. (2000): Spectral vegetation indices as nondestructive tools for determining durum wheat yield. Agronomy Journal. 92. 1: 83–91. Aparicio, N.–Villegas, D.–Arausb, J. L.–Casadesus, J.–Royo, C. (2002): Relationship between growth traits and spectral vegetation indices in durum wheat. Crop Science. 42. 5: 1547–1555. Ángyán J. (1985): Nagyüzemi árukukorica-termesztés – A kukoricatermesztés területi elhelyezése. [In: Menyhért Z. (szerk.) A kukoricatermesztés kézikönyve.] Mezgazdasági Kiadó. Budapest. 199–228. Boegh, E.–Soegaard, H.–Broge, N.–Hasager, C. B.–Jensen, N. O.– Schelde, K.–Thomsen, A. (2002): Airborne multispectral data for quantifying leaf area index, nitrogen concentration, and photosynthetic efficiency in agriculture. Remote Sensing of Environment. 81. 2–3: 179–193. Blackmer, T. M.–Schepers, J. S. (1994): Techniques for monitoring crop nitrogen status in corn. Communications in Soil Science and Plant Analysis. 25. 9–10: 1791–1800. Brown, J. S. (1969): Absorption and fluorescence of chlorophyll a in particle fractions from different plants. Biophysical Journal. 9. 12: 1542–1552. Chapman, S. C.–Barreto, H. J. (1997): Using a chlorophyll meter to estimate specific leaf nitrogen of tropical maize during vegetative growth. Agronomy Journal. 89. 2: 557–562. Chung, B.–Girma, K.–Martin, K. L.–Tubaña, B. S.–Arnall, D. B.–Walsh, O.–Raun, W. R. (2008): Determination of optimum resolution for predicting corn grain yield using sensor measurements. Archives of Agronomy and Soil Science. 54. 5: 481–491. Cui, D.–Li, M.–Zhang, Q. (2009): Development of an optical sensor for crop leaf chlorophyll content detection. Computers and Electronics in Agriculture. 69. 2: 171–176. Evans, J. R. (1983): Nitrogen and photosynyhesis in the flag leaf of wheat (Triticum aestivum L.). Plant Physiology. 72. 2: 297–302. Evans, J. R. (1989): Photosynthesis and nitrogen relationships in leaves of C3 plants. Oecologia. 78. 1: 9–19. Feibo, W.–Lianghuan, W.–Fuhua, X. (1998): Chlorophyll meter to predict nitrogen sidedress requirements for short-season cotton (Gossypium hirsutum L.). Field Crops Research. 56. 3: 309–314. Fox, R. H.–Kern, J. M.–Piekielek, W. P. (1994): Nitrogen fertilizer source, and method and time of application effects on no-till corn yields and nitrogen uptake. Agronomy Journal.78. 4: 741–746. Freeman, K. W.–Girma, K.–Arnall, D. B.–Mullen, R. W.–Martin, K. L.–Roger K.–Teal, R. K.–Raun, W. R. (2007): By-plant prediction of corn forage biomass and nitrogen uptake at various growth stages using remote sensing and plant height. Agronomy Journal. 99. 2: 530–536. Hancock, D. W.–Dougherty, C. T. (2007): Relationships between blue- and red-based vegetation indices and leaf area and yield of alfalfa. Crop Science. 47. 6: 2547–2556.

Hong, S.-D.–Schepers, J. S.–Francis, D. D.–Schlemmer, M. R. (2007): Comparison of ground-based remote sensors for evaluation of corn biomass affected by nitrogen stress. Communications in Soil Science and Plant Analysis. 38. 15-16: 2209–2226. Houlès, V.–Guérif, M.–Mary, B. (2007): Elaboration of a nitrogen nutrition indicator for winter wheat based on leaf area index and chlorophyll content for making nitrogen recommendations. European Journal of Agronomy. 27. 1: 1–11. Iida, K.–Suguri, M.–Umeda, M.–Matsui, T. (2000): Estimation of nitrogen content using machine vision in a paddy field. [In: 2000 ASAE Annual International Meeting.] 9–12 July 2000, Milwaukee. Wisconsin. USA. 1–21. Justes, E.–Jeuffroy, M. H.–Mary, B. (1997): Wheat, barley, and durum wheat. [In: Lemaire, G. (ed.) Diagnosis of the nitrogen status in crops.] Springer-Verlag. Berlin. 73–91. Knight, J.–Lunetta, R.–Ediriwickrema, J.–Khorram, S. (2006): Regional scale land cover characterization using MODIS-NDVI 250 m Multi-Temporal Imagery: A phenology-based approach. GIScience & Remote Sensing. 43. 1: 1–23. Lemaire, G.–Jeuffroy M.–H.-Gastal, F. (2008): Diagnosis tool for plant and crop N status in vegetative stage: Theory and practices for crop N management. European Journal of Agronomy. 28. 4: 614–624. Martin, K. L.–Girma, K.–Freeman, K. W.–Teal, R. K.–Tubaña, B.–Arnall, D. B.–Chung, B.–Walsh, O.–Solie, J. B.–Stone, M. L.–Raun, W. R. (2007): Expression of variability in corn as influenced by growth stage using optical sensor measurements. Agronomy Journal. 99. 2: 384–389. Murata, N.–Sato, N. (1978): Studies on the absorption spectra of chlorophyll a in aqueous dispersions of lipids from the photosynthetic membranes. Plant and Cell Physiology. 19. 3: 401–410. Nambuthiri, S. S. (2010): Soil water and crop growth processes in a farmer’s field. PhD Dissertation. College of Agriculture at the University of Kentucky. Lexington. Kentucky. USA. NTech Industries Inc. (2007): Operating Manual of GreenSeeker Model 505. Ukiah. California. United States of America. Rambo, L.–Mal, B.–L.-Xiong, Y.–da Silvia, P. R. F. (2010): Leaf and canopy optical characteristics as crop-N-status indicators for field nitrogen management in corn. Journal of Plant Nutrition and Soil Science. 173. 3: 434–443. Ren, J.–Chen, Z.–Zhou, Q.–Tang, H. (2008): Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong, China. International Journal of Applied Earth Observation and Geoinformation. 10. 4: 303–413. Roderick, M.–Smith, R.–Cridland, S. (1996): The precision of the NDVI derived from AVHRR observations. Remote Sensing of Environment. 56. 1: 57–65. Rouse, J. W.–Haas, R. H.–Schell, J. A.–Deering, D. W. (1973): Monitoring vegetation systems in the Great Plains with ERTS. [In: Proceedings of the Third Earth Resources Technology Satelite-1 Symposium, NASA SP-351 I.] December 10–14, 1973. Washington. 309–317.

146



Senders, V. L. (1958): Measurement and statistics. Oxford University Press. New York. Singh, I.–Srivastava, A. K.–Chandna, P.–Gupta, R. K. (2006): Crop sensors for efficient nitrogen management in sugarcane: potential and constraints. Sugar Tech. 8. 4 : 299–302. Teal, R. K.–Tubana, B.–Girma, K.–Freeman, K. W.–Arnall, D. B.–Walsh, O.–Raun, W. R. (2006): In-season prediction of corn grain yield potential using Normalized Difference Vegetation Index. Agronomy Journal. 98. 6: 1488–1494. Vig R.–Dobos A.–Nagy J. (2011): A normalizált vegetációs index (NDVI) mérésének módszertani vizsgálata lucernában (Medicago sativa L.). Növénytermelés. 60. 3: 111–126. Viña, A.–Gitelson, A. A.–Rundquist, D. C.–Keydan, G.–Leavitt, B.– Schepers, J. (2004): Monitoring maize (Zea mays L.) phenology with remote sensing. Agronomy Journal. 96. 4: 1139–1147.

Wang, Q.–Tenhunen, J. D. (2004): Vegetation mapping with multitemporal NDVI in North Eastern China Transect (NECT). International Journal of Applied Earth Observation and Geoinformation. 6. 1: 17–31. Wei, Y.–Minzan, L.–Sigrimis, N. (2010): Estimating nitrogen content of cucumber leaves based on NIR spectroscopy. Sensor Letters. 8. 1: 145–150. Wright, D. L.–Rasmussen, V. P.–Ramsey, R. D.–Baker, D. J.–Ellsworth, J. W. (2007): Canopy reflectance estimation of wheat nitrogen content for grain protein management. GIScience & Remote Sensing. 41. 4: 1548–1603. Yadava, U. L. (1986): A rapid and nondestructive method to determine chlorophyll in intact leaves. HortScience. 21. 6: 1449–1450. Zhang, J.–Han, C.–Li, D. (2009): New vegetation index monitoring rice chlorophyll concentration using leaf transmittance spectra. Sensor Letters. 7. 6: 1–6.

147


A környezeti tényez k hatása a normali zált vegetációs index mérésére

Recommend Documents